策略產(chǎn)品經(jīng)理需要了解一定的算法邏輯，以便推進(jìn)工作。這篇文章里，作者介紹了六種常見算法，并探討了產(chǎn)品設(shè)計(jì)模型算法的選擇，一起來看。

一、工業(yè)界常用算法

作為與算法同學(xué)對(duì)接的策略產(chǎn)品經(jīng)理，我們必須對(duì)算法同學(xué)常用的算法邏輯有所了解，以下我將介紹相關(guān)的底層算法邏輯，以及它們所適用的任務(wù)類型。

1. 邏輯回歸（logistics regression，LR）

• 模型訓(xùn)練類別：監(jiān)督學(xué)習(xí)算法。
• 適用問題任務(wù)：分類。
• 算法特色：復(fù)雜度低，可解釋性強(qiáng)，線上效果好。

函數(shù)公式：

y表示模型預(yù)估值，取值范圍[0,1]，x表示輸入模型的特征值，可以理解為最終使用的一系列特征對(duì)應(yīng)的具體數(shù)值；T表示矩陣的轉(zhuǎn)置，無實(shí)際數(shù)值意義；w表示模型為每一個(gè)特征訓(xùn)練出的對(duì)應(yīng)參數(shù)。以CTR預(yù)估模型為例，邏輯回歸模型輸出的預(yù)測(cè)值代表的業(yè)務(wù)意義是用戶對(duì)物料的興趣度。

另外，雖然線性回歸（linear regression）與邏輯回歸簡(jiǎn)稱均為L(zhǎng)R，但是線性解決回歸問題，邏輯解決分類問題，邏輯回歸模型包含線性回歸模型，便是線性回歸模型。

2. K近鄰算法（K-nearest neighbor，KNN）

• 模型訓(xùn)練類別：監(jiān)督學(xué)習(xí)算法。
• 適用問題任務(wù)：分類、回歸。
• K的取值是關(guān)鍵因素，需要用交叉驗(yàn)證法（測(cè)試集+訓(xùn)練集）驗(yàn)證。
• 注：使用KNN算法的思想是每一位策略產(chǎn)品經(jīng)理都需要了解的。

分類任務(wù)：

1.計(jì)算待分類點(diǎn)（黑叉）與其他已知類別點(diǎn)的距離。

2.按距離正排，占比最好的類別即為待分類點(diǎn)的類別，計(jì)算方法有①歐式距離、②曼哈頓距離。

回歸任務(wù)：

整體思路與分類任務(wù)一致，預(yù)測(cè)點(diǎn)的值等于離預(yù)測(cè)點(diǎn)最近K個(gè)點(diǎn)的平均值。

總結(jié)：

KNN算法沒有模型訓(xùn)練緩解，而是直接應(yīng)用，所以KNN算法在訓(xùn)練環(huán)節(jié)的時(shí)間復(fù)雜度為0，但是在應(yīng)用環(huán)節(jié)，隨著樣本量陡增、復(fù)雜度的增加，在對(duì)于效率要求極高的場(chǎng)景下無法使用KNN算法。

3. 貝葉斯模型（Bayes Model）

• 模型訓(xùn)練類別：監(jiān)督學(xué)習(xí)算法。
• 適用問題任務(wù)：分類。
• 模型方向：“逆概率”問題，用于郵件分類，天氣預(yù)測(cè)。

函數(shù)公式：

4. K聚類算法（K-Means）

• 模型訓(xùn)練類別：無監(jiān)督學(xué)習(xí)算法。
• 適用問題任務(wù)：聚類。
• K-Means沒有模型訓(xùn)練環(huán)節(jié)，利用啟發(fā)式迭代，K值的選擇由業(yè)務(wù)場(chǎng)景確定，如無需求，可試數(shù)。

步驟：

1. 將所有樣本分成幾個(gè)簇，即設(shè)定K值。
2. 模型重新計(jì)算新簇質(zhì)心，再次歸類。
3. 不斷重復(fù)、優(yōu)化。

5. 決策樹（decision tree）

• 模型訓(xùn)練類別：監(jiān)督學(xué)習(xí)算法。
• 適用問題任務(wù)：分類、回歸。
• 核心思想：根據(jù)有區(qū)分性的變量查分?jǐn)?shù)據(jù)集。

基本框架要素：

1.根節(jié)點(diǎn)：包含所有原始樣本數(shù)據(jù)，會(huì)被進(jìn)一步分割成多個(gè)子集合。

2.決策節(jié)點(diǎn)和葉子節(jié)點(diǎn)：葉子節(jié)點(diǎn)“不再被分割”，但可以分，決策節(jié)點(diǎn)根據(jù)特征繼續(xù)分割。

3.父節(jié)點(diǎn)與子節(jié)點(diǎn)：被分割成子節(jié)點(diǎn)的節(jié)點(diǎn)被稱為子節(jié)點(diǎn)的父節(jié)點(diǎn)。

決策樹種類： ①分類樹 ②回歸樹

決策樹效果評(píng)估：選擇哪些特征組合構(gòu)建效果最好呢？

• 分類樹：基尼不純度評(píng)估，不純度越低，效果越好。
• 回歸樹：方差指標(biāo)評(píng)估，方差越小模型擬合效果越好。

決策樹關(guān)鍵參數(shù)：

• 節(jié)點(diǎn)拆分包含的最小樣本數(shù)：過大欠擬合，過小過擬合，需要交叉驗(yàn)證來調(diào)參。
• 葉子節(jié)點(diǎn)包含的最小樣本數(shù)：防葉子節(jié)點(diǎn)太多，對(duì)于正負(fù)樣本不均的情況可以分小。
• 決策樹最大深度：交叉驗(yàn)證解決。
• 總體葉子節(jié)點(diǎn)數(shù)量控制。
• 整體分裂中使用最多的特征數(shù)：根據(jù)建模經(jīng)驗(yàn)，開根號(hào)的特征數(shù)為最佳特征數(shù)。

6. 深度神經(jīng)網(wǎng)絡(luò)（deep neutral network）

網(wǎng)上有很多資料介紹，可以自己找一下。

簡(jiǎn)單介紹，深度學(xué)習(xí)中的“深度”指的是其hidden layer，在輸出層和輸入層中，隱藏層越多深度越大。深度學(xué)習(xí)與常規(guī)神經(jīng)網(wǎng)絡(luò)算法的區(qū)別主要體現(xiàn)在訓(xùn)練數(shù)據(jù)、訓(xùn)練方式、層數(shù)方面。

目前在產(chǎn)品策劃領(lǐng)域，深度學(xué)習(xí)可以解決安防領(lǐng)域、零售行業(yè)的視覺識(shí)別問題，也有如ChatGPT等的自然語音識(shí)別、語言處理等應(yīng)用，實(shí)體企業(yè)如智能駕駛中的地位正在提升，其最早被應(yīng)用與搜光腿的算法模型中。

二、產(chǎn)品設(shè)計(jì)模型算法的選擇

對(duì)于同種業(yè)務(wù)場(chǎng)景可能使用多種算法，然而作為產(chǎn)品經(jīng)理，我們需要重點(diǎn)考核模型的兩大要點(diǎn)：模型預(yù)測(cè)的準(zhǔn)確性和模型的可解釋性。

對(duì)于金融風(fēng)控等受到強(qiáng)監(jiān)管的場(chǎng)景，我們更偏向于使用具有可解釋性的模型，而對(duì)于搜廣推等產(chǎn)品體驗(yàn)場(chǎng)景，我們更看重產(chǎn)品的使用效果，以下是各類算法的使用效益分布圖：